//#include "ggml.h"
//
//#include "common.h"
//#include "common-ggml.h"
//
//#include <cassert>
//#include <cmath>
//#include <cstdio>
//#include <cstring>
//#include <fstream>
//#include <map>
//#include <string>
//#include <vector>
//
//#if defined(_MSC_VER)
//#pragma warning(disable: 4244 4267) // possible loss of data
//#endif
//
//// default hparams (GPT-2 117M)
//struct gpt2_hparams {
//    int32_t n_vocab = 50257;   // Vocabulary size remains the same
//    int32_t n_ctx   = 1024;     // Maximum context length (sequence length)
//    int32_t n_embd  = 1024;     // Embedding dimensionality
//    int32_t n_head  = 16;       // Number of attention heads
//    int32_t n_layer = 24;       // Number of transformer layers
//    int32_t ftype   = 1;        // Set to 1 for FP16 precision (optional)
//    float   eps     = 1e-5f;    // Small constant for numerical stability
//};
//
//struct gpt2_layer {
//    // normalization
//    struct ggml_tensor * ln_1_g;
//    struct ggml_tensor * ln_1_b;
//
//    struct ggml_tensor * ln_2_g;
//    struct ggml_tensor * ln_2_b;
//
//    // attention
//    struct ggml_tensor * c_attn_attn_w;
//    struct ggml_tensor * c_attn_attn_b;
//
//    struct ggml_tensor * c_attn_proj_w;
//    struct ggml_tensor * c_attn_proj_b;
//
//    // mlp
//    struct ggml_tensor * c_mlp_fc_w;
//    struct ggml_tensor * c_mlp_fc_b;
//
//    struct ggml_tensor * c_mlp_proj_w;
//    struct ggml_tensor * c_mlp_proj_b;
//};
//
//struct gpt2_model {
//    gpt2_hparams hparams;
//
//    // normalization
//    struct ggml_tensor * ln_f_g;
//    struct ggml_tensor * ln_f_b;
//
//    struct ggml_tensor * wte;     // position embedding
//    struct ggml_tensor * wpe;     //    token embedding
//    struct ggml_tensor * lm_head; // language model head
//
//    std::vector<gpt2_layer> layers;
//
//    // key + value memory
//    struct ggml_tensor * memory_k;
//    struct ggml_tensor * memory_v;
//
//    //
//    struct ggml_context * ctx_w;
//    std::map<std::string, struct ggml_tensor *> tensors;
//};
//
//// load the model's weights from a file
//bool gpt2_model_load(const std::string & fname, gpt2_model & model, gpt_vocab & vocab) {
//    printf("%s: loading model from '%s'\n", __func__, fname.c_str());
//
//    auto fin = std::ifstream(fname, std::ios::binary);
//    if (!fin) {
//        fprintf(stderr, "%s: failed to open '%s'\n", __func__, fname.c_str());
//        return false;
//    }
//
//    // verify magic
//    {
//        uint32_t magic;
//        fin.read((char *) &magic, sizeof(magic));
//        if (magic != GGML_FILE_MAGIC) {
//            fprintf(stderr, "%s: invalid model file '%s' (bad magic)\n", __func__, fname.c_str());
//            return false;
//        }
//    }
//
//    // load hparams
//    {
//        auto & hparams = model.hparams;
//
//        fin.read((char *) &hparams.n_vocab, sizeof(hparams.n_vocab));
//        fin.read((char *) &hparams.n_ctx,   sizeof(hparams.n_ctx));
//        fin.read((char *) &hparams.n_embd,  sizeof(hparams.n_embd));
//        fin.read((char *) &hparams.n_head,  sizeof(hparams.n_head));
//        fin.read((char *) &hparams.n_layer, sizeof(hparams.n_layer));
//        fin.read((char *) &hparams.ftype,   sizeof(hparams.ftype));
//
//        const int32_t qntvr = hparams.ftype / GGML_QNT_VERSION_FACTOR;
//
//        printf("%s: n_vocab = %d\n", __func__, hparams.n_vocab);
//        printf("%s: n_ctx   = %d\n", __func__, hparams.n_ctx);
//        printf("%s: n_embd  = %d\n", __func__, hparams.n_embd);
//        printf("%s: n_head  = %d\n", __func__, hparams.n_head);
//        printf("%s: n_layer = %d\n", __func__, hparams.n_layer);
//        printf("%s: ftype   = %d\n", __func__, hparams.ftype);
//        printf("%s: qntvr   = %d\n", __func__, qntvr);
//
//        hparams.ftype %= GGML_QNT_VERSION_FACTOR;
//    }
//
//    // load vocab
//    {
//        int32_t n_vocab = 0;
//        fin.read((char *) &n_vocab, sizeof(n_vocab));
//
//        if (n_vocab != model.hparams.n_vocab) {
//            fprintf(stderr, "%s: invalid model file '%s' (bad vocab size %d != %d)\n",
//                    __func__, fname.c_str(), n_vocab, model.hparams.n_vocab);
//            return false;
//        }
//
//        std::string word;
//        std::vector<char> buf(128);
//
//        for (int i = 0; i < n_vocab; i++) {
//            uint32_t len;
//            fin.read((char *) &len, sizeof(len));
//
//            buf.resize(len);
//            fin.read((char *) buf.data(), len);
//            word.assign(buf.data(), len);
//
//            vocab.token_to_id[word] = i;
//            vocab.id_to_token[i] = word;
//        }
//    }
//
//    // for the big tensors, we have the option to store the data in 16-bit floats or quantized
//    // in order to save memory and also to speed up the computation
//    ggml_type wtype = ggml_ftype_to_ggml_type((ggml_ftype) (model.hparams.ftype));
//    if (wtype == GGML_TYPE_COUNT) {
//        fprintf(stderr, "%s: invalid model file '%s' (bad ftype value %d)\n",
//                __func__, fname.c_str(), model.hparams.ftype);
//        return false;
//    }
//
//    auto & ctx = model.ctx_w;
//
//    size_t ctx_size = 0;
//
//    {
//        const auto & hparams = model.hparams;
//
//        const int n_embd  = hparams.n_embd;
//        const int n_layer = hparams.n_layer;
//        const int n_ctx   = hparams.n_ctx;
//        const int n_vocab = hparams.n_vocab;
//
//        ctx_size += ggml_row_size(GGML_TYPE_F32, n_embd); // ln_f_g
//        ctx_size += ggml_row_size(GGML_TYPE_F32, n_embd); // ln_f_b
//
//        ctx_size += ggml_row_size(wtype,         n_vocab*n_embd); // wte
//        ctx_size += ggml_row_size(GGML_TYPE_F32,   n_ctx*n_embd); // wpe
//        ctx_size += ggml_row_size(wtype,         n_vocab*n_embd); // lm_head
//
//        ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, n_embd)); // ln_1_g
//        ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, n_embd)); // ln_1_b
//
//        ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, n_embd)); // ln_2_g
//        ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, n_embd)); // ln_2_b
//
//        ctx_size += n_layer*(ggml_row_size(wtype,         3*n_embd*n_embd)); // c_attn_attn_w
//        ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, 3*n_embd));        // c_attn_attn_b
//
//        ctx_size += n_layer*(ggml_row_size(wtype,         n_embd*n_embd));   // c_attn_proj_w
//        ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, n_embd));          // c_attn_proj_b
//
//        ctx_size += n_layer*(ggml_row_size(wtype,         4*n_embd*n_embd)); // c_mlp_fc_w
//        ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, 4*n_embd));        // c_mlp_fc_b
//
//        ctx_size += n_layer*(ggml_row_size(wtype,         4*n_embd*n_embd)); // c_mlp_proj_w
//        ctx_size += n_layer*(ggml_row_size(GGML_TYPE_F32, 4*n_embd));        // c_mlp_proj_b
//
//        ctx_size += n_ctx*n_layer*ggml_row_size(GGML_TYPE_F32, n_embd); // memory_k
//        ctx_size += n_ctx*n_layer*ggml_row_size(GGML_TYPE_F32, n_embd); // memory_v
//
//        ctx_size += (6 + 12*n_layer)*512; // object overhead
//
//        printf("%s: ggml tensor size = %d bytes\n", __func__, (int) sizeof(ggml_tensor));
//        printf("%s: ggml ctx size = %6.2f MB\n", __func__, ctx_size/(1024.0*1024.0));
//    }
//
//    // create the ggml context
//    {
//        struct ggml_init_params params = {
//            /*.mem_size   =*/ ctx_size,
//            /*.mem_buffer =*/ NULL,
//            /*.no_alloc   =*/ false,
//        };
//
//        model.ctx_w = ggml_init(params);
//        if (!model.ctx_w) {
//            fprintf(stderr, "%s: ggml_init() failed\n", __func__);
//            return false;
//        }
//    }
//
//    // prepare memory for the weights
//    {
//        const auto & hparams = model.hparams;
//
//        const int n_embd  = hparams.n_embd;
//        const int n_layer = hparams.n_layer;
//        const int n_ctx   = hparams.n_ctx;
//        const int n_vocab = hparams.n_vocab;
//
//        model.layers.resize(n_layer);
//
//        model.ln_f_g = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_embd);
//        model.ln_f_b = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_embd);
//
//        model.wte     = ggml_new_tensor_2d(ctx, wtype,         n_embd, n_vocab);
//        model.wpe     = ggml_new_tensor_2d(ctx, GGML_TYPE_F32, n_embd, n_ctx);
//        model.lm_head = ggml_new_tensor_2d(ctx, wtype,         n_embd, n_vocab);
//
//        // map by name
//        model.tensors["model/ln_f/g"] = model.ln_f_g;
//        model.tensors["model/ln_f/b"] = model.ln_f_b;
//
//        model.tensors["model/wte"]     = model.wte;
//        model.tensors["model/wpe"]     = model.wpe;
//        model.tensors["model/lm_head"] = model.lm_head;
//
//        for (int i = 0; i < n_layer; ++i) {
//            auto & layer = model.layers[i];
//
//            layer.ln_1_g        = ggml_new_tensor_1d(ctx, GGML_TYPE_F32,   n_embd);
//            layer.ln_1_b        = ggml_new_tensor_1d(ctx, GGML_TYPE_F32,   n_embd);
//
//            layer.ln_2_g        = ggml_new_tensor_1d(ctx, GGML_TYPE_F32,   n_embd);
//            layer.ln_2_b        = ggml_new_tensor_1d(ctx, GGML_TYPE_F32,   n_embd);
//
//            layer.c_attn_attn_w = ggml_new_tensor_2d(ctx, wtype,           n_embd, 3*n_embd);
//            layer.c_attn_attn_b = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, 3*n_embd);
//
//            layer.c_attn_proj_w = ggml_new_tensor_2d(ctx, wtype,           n_embd, n_embd);
//            layer.c_attn_proj_b = ggml_new_tensor_1d(ctx, GGML_TYPE_F32,   n_embd);
//
//            layer.c_mlp_fc_w    = ggml_new_tensor_2d(ctx, wtype,           n_embd, 4*n_embd);
//            layer.c_mlp_fc_b    = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, 4*n_embd);
//
//            layer.c_mlp_proj_w  = ggml_new_tensor_2d(ctx, wtype,         4*n_embd, n_embd);
//            layer.c_mlp_proj_b  = ggml_new_tensor_1d(ctx, GGML_TYPE_F32,   n_embd);
//
//            // map by name
//            model.tensors["model/h" + std::to_string(i) + "/ln_1/g"]        = layer.ln_1_g;
//            model.tensors["model/h" + std::to_string(i) + "/ln_1/b"]        = layer.ln_1_b;
//
//            model.tensors["model/h" + std::to_string(i) + "/ln_2/g"]        = layer.ln_2_g;
//            model.tensors["model/h" + std::to_string(i) + "/ln_2/b"]        = layer.ln_2_b;
//
//            model.tensors["model/h" + std::to_string(i) + "/attn/c_attn/w"] = layer.c_attn_attn_w;
//            model.tensors["model/h" + std::to_string(i) + "/attn/c_attn/b"] = layer.c_attn_attn_b;
//
//            model.tensors["model/h" + std::to_string(i) + "/attn/c_proj/w"] = layer.c_attn_proj_w;
//            model.tensors["model/h" + std::to_string(i) + "/attn/c_proj/b"] = layer.c_attn_proj_b;
//
//            model.tensors["model/h" + std::to_string(i) + "/mlp/c_fc/w"]    = layer.c_mlp_fc_w;
//            model.tensors["model/h" + std::to_string(i) + "/mlp/c_fc/b"]    = layer.c_mlp_fc_b;
//
//            model.tensors["model/h" + std::to_string(i) + "/mlp/c_proj/w"]  = layer.c_mlp_proj_w;
//            model.tensors["model/h" + std::to_string(i) + "/mlp/c_proj/b"]  = layer.c_mlp_proj_b;
//        }
//    }
//
//    // key + value memory
//    {
//        const auto & hparams = model.hparams;
//
//        const int n_embd  = hparams.n_embd;
//        const int n_layer = hparams.n_layer;
//        const int n_ctx   = hparams.n_ctx;
//
//        const int n_mem      = n_layer*n_ctx;
//        const int n_elements = n_embd*n_mem;
//
//        model.memory_k = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_elements);
//        model.memory_v = ggml_new_tensor_1d(ctx, GGML_TYPE_F32, n_elements);
//
//        const size_t memory_size = ggml_nbytes(model.memory_k) + ggml_nbytes(model.memory_v);
//
//        printf("%s: memory size = %8.2f MB, n_mem = %d\n", __func__, memory_size/1024.0/1024.0, n_mem);
//    }
//
//    // load weights
//    {
//        size_t total_size = 0;
//
//        bool has_lm_head = false;
//
//        while (true) {
//            int32_t n_dims;
//            int32_t length;
//            int32_t ttype;
//
//            fin.read(reinterpret_cast<char *>(&n_dims), sizeof(n_dims));
//            fin.read(reinterpret_cast<char *>(&length), sizeof(length));
//            fin.read(reinterpret_cast<char *>(&ttype),  sizeof(ttype));
//
//            if (fin.eof()) {
//                break;
//            }
//
//            int32_t nelements = 1;
//            int32_t ne[2] = { 1, 1 };
//            for (int i = 0; i < n_dims; ++i) {
//                fin.read(reinterpret_cast<char *>(&ne[i]), sizeof(ne[i]));
//                nelements *= ne[i];
//            }
//
//            std::string name(length, 0);
//            fin.read(&name[0], length);
//
//            if (model.tensors.find(name) == model.tensors.end()) {
//                fprintf(stderr, "%s: unknown tensor '%s' in model file\n", __func__, name.c_str());
//                return false;
//            }
//
//            auto tensor = model.tensors[name];
//            if (ggml_nelements(tensor) != nelements) {
//                fprintf(stderr, "%s: tensor '%s' has wrong size in model file\n", __func__, name.c_str());
//                return false;
//            }
//
//            if (tensor->ne[0] != ne[0] || tensor->ne[1] != ne[1]) {
//                fprintf(stderr, "%s: tensor '%s' has wrong shape in model file: got [%d, %d], expected [%d, %d]\n",
//                        __func__, name.c_str(), (int) tensor->ne[0], (int) tensor->ne[1], ne[0], ne[1]);
//                return false;
//            }
//
//            // for debugging
//            if (0) {
//                printf("%24s - [%5d, %5d], type = %6s, %6.2f MB, %9zu bytes\n", name.c_str(), ne[0], ne[1], ggml_type_name(ggml_type(ttype)), ggml_nbytes(tensor)/1024.0/1024.0, ggml_nbytes(tensor));
//            }
//
//            const size_t bpe = ggml_type_size(ggml_type(ttype));
//
//            if ((nelements*bpe)/ggml_blck_size(tensor->type) != ggml_nbytes(tensor)) {
//                fprintf(stderr, "%s: tensor '%s' has wrong size in model file: got %zu, expected %zu\n",
//                        __func__, name.c_str(), ggml_nbytes(tensor), nelements*bpe);
//                return false;
//            }
//
//            fin.read(reinterpret_cast<char *>(tensor->data), ggml_nbytes(tensor));
//
//            // GPT-2 models share the WTE tensor as the LM head
//            if (name == "model/wte" && has_lm_head == false) {
//                memcpy(model.lm_head->data, tensor->data, ggml_nbytes(tensor));
//            }
//
//            if (name == "model/lm_head") {
//                has_lm_head = true;
//            }
//
//            total_size += ggml_nbytes(tensor);
//        }
//
//        printf("%s: model size  = %8.2f MB\n", __func__, total_size/1024.0/1024.0);
//    }
//
//    fin.close();
//
//    return true;
//}
//
//// evaluate the transformer
////
////   - model:     the model
////   - n_threads: number of threads to use
////   - n_past:    the context size so far
////   - embd_inp:  the embeddings of the tokens in the context
////   - embd_w:    the predicted logits for the next token
////
//bool gpt2_eval(
//        const gpt2_model & model,
//        const int n_threads,
//        const int n_past,
//        const std::vector<gpt_vocab::id> & embd_inp,
//              std::vector<float>         & embd_w,
//              size_t                     & mem_per_token) {
//    const int N = embd_inp.size();
//
//    const auto & hparams = model.hparams;
//
//    const int n_embd  = hparams.n_embd;
//    const int n_layer = hparams.n_layer;
//    const int n_ctx   = hparams.n_ctx;
//    const int n_head  = hparams.n_head;
//    const int n_vocab = hparams.n_vocab;
//
//    static size_t buf_size = 256u*1024*1024;
//    static void * buf = malloc(buf_size);
//
//    if (mem_per_token > 0 && mem_per_token*N > buf_size) {
//        const size_t buf_size_new = 1.1*(mem_per_token*N); // add 10% to account for ggml object overhead
//        //printf("\n%s: reallocating buffer from %zu to %zu bytes\n", __func__, buf_size, buf_size_new);
//
//        // reallocate
//        buf_size = buf_size_new;
//        buf = realloc(buf, buf_size);
//        if (buf == nullptr) {
//            fprintf(stderr, "%s: failed to allocate %zu bytes\n", __func__, buf_size);
//            return false;
//        }
//    }
//
//    struct ggml_init_params params = {
//        /*.mem_size   =*/ buf_size,
//        /*.mem_buffer =*/ buf,
//        /*.no_alloc   =*/ false,
//    };
//
//    struct ggml_context * ctx0 = ggml_init(params);
//    struct ggml_cgraph * gf = ggml_new_graph(ctx0);
//
//    struct ggml_tensor * embd = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, N);
//    memcpy(embd->data, embd_inp.data(), N*ggml_element_size(embd));
//
//    struct ggml_tensor * position = ggml_new_tensor_1d(ctx0, GGML_TYPE_I32, N);
//    for (int i = 0; i < N; ++i) {
//        ((int32_t *) position->data)[i] = n_past + i;
//    }
//
//    // wte + wpe
//    struct ggml_tensor * inpL =
//        ggml_add(ctx0,
//                ggml_get_rows(ctx0, model.wte, embd),
//                ggml_get_rows(ctx0, model.wpe, position));
//
//    for (int il = 0; il < n_layer; ++il) {
//        struct ggml_tensor * cur;
//
//        // norm
//        {
//            // [ 768, N]
//            cur = ggml_norm(ctx0, inpL, hparams.eps);
//
//            // cur = ln_1_g*cur + ln_1_b
//            // [ 768, N]
//            cur = ggml_add(ctx0,
//                    ggml_mul(ctx0,
//                        ggml_repeat(ctx0, model.layers[il].ln_1_g, cur),
//                        cur),
//                    ggml_repeat(ctx0, model.layers[il].ln_1_b, cur));
//        }
//
//        // attn
//        // [2304, 768] - model.layers[il].c_attn_attn_w
//        // [2304,   1] - model.layers[il].c_attn_attn_b
//        // [ 768,   N] - cur (in)
//        // [2304,   N] - cur (out)
//        //
//        // cur = attn_w*cur + attn_b
//        // [2304, N]
//        {
//            cur = ggml_mul_mat(ctx0,
//                    model.layers[il].c_attn_attn_w,
//                    cur);
//
//            cur = ggml_add(ctx0,
//                    ggml_repeat(ctx0, model.layers[il].c_attn_attn_b, cur),
//                    cur);
//        }
//
//        // self-attention
//        {
//            struct ggml_tensor * Qcur = ggml_view_2d(ctx0, cur, n_embd, N, cur->nb[1], 0*sizeof(float)*n_embd);
//            struct ggml_tensor * Kcur = ggml_view_2d(ctx0, cur, n_embd, N, cur->nb[1], 1*sizeof(float)*n_embd);
//            struct ggml_tensor * Vcur = ggml_view_2d(ctx0, cur, n_embd, N, cur->nb[1], 2*sizeof(float)*n_embd);
//
//            // store key and value to memory
//            if (N >= 1) {
//                struct ggml_tensor * k = ggml_view_1d(ctx0, model.memory_k, N*n_embd, (ggml_element_size(model.memory_k)*n_embd)*(il*n_ctx + n_past));
//                struct ggml_tensor * v = ggml_view_1d(ctx0, model.memory_v, N*n_embd, (ggml_element_size(model.memory_v)*n_embd)*(il*n_ctx + n_past));
//
//                ggml_build_forward_expand(gf, ggml_cpy(ctx0, Kcur, k));
//                ggml_build_forward_expand(gf, ggml_cpy(ctx0, Vcur, v));
//            }
//
//            // Q = Qcur.contiguous().view(n_embd/n_head, n_head, N).permute(0, 2, 1, 3)
//            // [64, N, 12]
//            struct ggml_tensor * Q =
//                ggml_permute(ctx0,
//                        ggml_cpy(ctx0,
//                            Qcur,
//                            ggml_new_tensor_3d(ctx0, GGML_TYPE_F32, n_embd/n_head, n_head, N)),
//                        0, 2, 1, 3);
//
//            // K = Kmem.view(n_embd/n_head, n_head, n_past + N).permute(0, 2, 1, 3)
//            // [64, n_past + N, 12]
//            struct ggml_tensor * K =
//                ggml_permute(ctx0,
//                        ggml_reshape_3d(ctx0,
//                            ggml_view_1d(ctx0, model.memory_k, (n_past + N)*n_embd, il*n_ctx*ggml_element_size(model.memory_k)*n_embd),
//                            n_embd/n_head, n_head, n_past + N),
//                        0, 2, 1, 3);
//
//            // GG: flash attention
//            //struct ggml_tensor * V =
//            //    ggml_cpy(ctx0,
//            //            ggml_permute(ctx0,
//            //                ggml_reshape_3d(ctx0,
//            //                    ggml_view_1d(ctx0, model.memory_v, (n_past + N)*n_embd, il*n_ctx*ggml_element_size(model.memory_v)*n_embd),
//            //                    n_embd/n_head, n_head, n_past + N),
//            //                1, 2, 0, 3),
//            //            ggml_new_tensor_3d(ctx0, GGML_TYPE_F32, n_past + N, n_embd/n_head, n_head));
//
//            //struct ggml_tensor * KQV = ggml_flash_attn(ctx0, Q, K, V, true);
//
//            // K * Q
//            // [n_past + N, N, 12]
//            struct ggml_tensor * KQ = ggml_mul_mat(ctx0, K, Q);
//
//            // KQ_scaled = KQ / sqrt(n_embd/n_head)
//            // [n_past + N, N, 12]
//            struct ggml_tensor * KQ_scaled = ggml_scale_inplace(ctx0, KQ, 1.0f/sqrt(float(n_embd)/n_head));
//
//            // KQ_masked = mask_past(KQ_scaled)
//            // [n_past + N, N, 12]
//            struct ggml_tensor * KQ_masked = ggml_diag_mask_inf_inplace(ctx0, KQ_scaled, n_past);
//
//            // KQ = soft_max(KQ_masked)
//            // [n_past + N, N, 12]
//            struct ggml_tensor * KQ_soft_max = ggml_soft_max_inplace(ctx0, KQ_masked);
//
//            // V_trans = Vmem.view(n_embd/n_head, n_head, n_past + N).permute(1, 2, 0, 3).contiguous()
//            // [n_past + N, 64, 12]
//            struct ggml_tensor * V_trans =
//                ggml_cpy(ctx0,
//                        ggml_permute(ctx0,
//                            ggml_reshape_3d(ctx0,
//                                ggml_view_1d(ctx0, model.memory_v, (n_past + N)*n_embd, il*n_ctx*ggml_element_size(model.memory_v)*n_embd),
//                                n_embd/n_head, n_head, n_past + N),
//                            1, 2, 0, 3),
//                        ggml_new_tensor_3d(ctx0, model.memory_v->type, n_past + N, n_embd/n_head, n_head));
//
//            // KQV = transpose(V) * KQ_soft_max
//            // [64, N, 12]
//            struct ggml_tensor * KQV = ggml_mul_mat(ctx0, V_trans, KQ_soft_max);
//
//            // KQV_merged = KQV.permute(0, 2, 1, 3)
//            // [64, 12, N]
//            struct ggml_tensor * KQV_merged = ggml_permute(ctx0, KQV, 0, 2, 1, 3);
//
//            // cur = KQV_merged.contiguous().view(n_embd, N)
//            // [768, N]
//            cur = ggml_cpy(ctx0,
//                    KQV_merged,
//                    ggml_new_tensor_2d(ctx0, GGML_TYPE_F32, n_embd, N));
//        }
//
//        // projection
//        // [ 768, 768] - model.layers[il].c_attn_proj_w
//        // [ 768,   1] - model.layers[il].c_attn_proj_b
//        // [ 768,   N] - cur (in)
//        // [ 768,   N] - cur (out)
//        //
//        // cur = proj_w*cur + proj_b
//        // [768, N]
//        {
//            cur = ggml_mul_mat(ctx0,
//                    model.layers[il].c_attn_proj_w,
//                    cur);
//
//            cur = ggml_add(ctx0,
//                    ggml_repeat(ctx0, model.layers[il].c_attn_proj_b, cur),
//                    cur);
//        }
//
//        // add the input
//        cur = ggml_add(ctx0, cur, inpL);
//
//        struct ggml_tensor * inpFF = cur;
//
//        // feed-forward network
//        {
//            // norm
//            {
//                cur = ggml_norm(ctx0, inpFF, hparams.eps);
//
//                // cur = ln_2_g*cur + ln_2_b
//                // [ 768, N]
//                cur = ggml_add(ctx0,
//                        ggml_mul(ctx0,
//                            ggml_repeat(ctx0, model.layers[il].ln_2_g, cur),
//                            cur),
//                        ggml_repeat(ctx0, model.layers[il].ln_2_b, cur));
//            }
//
//            // fully connected
//            // [3072, 768] - model.layers[il].c_mlp_fc_w
//            // [3072,   1] - model.layers[il].c_mlp_fc_b
//            // [ 768,   N] - cur (in)
//            // [3072,   N] - cur (out)
//            //
//            // cur = fc_w*cur + fc_b
//            // [3072, N]
//            cur = ggml_mul_mat(ctx0,
//                    model.layers[il].c_mlp_fc_w,
//                    cur);
//
//            cur = ggml_add(ctx0,
//                    ggml_repeat(ctx0, model.layers[il].c_mlp_fc_b, cur),
//                    cur);
//
//            // GELU activation
//            // [3072, N]
//            cur = ggml_gelu(ctx0, cur);
//
//            // projection
//            // [ 768, 3072] - model.layers[il].c_mlp_proj_w
//            // [ 768,    1] - model.layers[il].c_mlp_proj_b
//            // [3072,    N] - cur (in)
//            // [ 768,    N] - cur (out)
//            //
//            // cur = proj_w*cur + proj_b
//            // [768, N]
//            cur = ggml_mul_mat(ctx0,
//                    model.layers[il].c_mlp_proj_w,
//                    cur);
//
//            cur = ggml_add(ctx0,
//                    ggml_repeat(ctx0, model.layers[il].c_mlp_proj_b, cur),
//                    cur);
//        }
//
//        // input for next layer
//        inpL = ggml_add(ctx0, cur, inpFF);
//    }
//
//    // norm
//    {
//        // [ 768, N]
//        inpL = ggml_norm(ctx0, inpL, hparams.eps);
//
//        // inpL = ln_f_g*inpL + ln_f_b
//        // [ 768, N]
//        inpL = ggml_add(ctx0,
//                ggml_mul(ctx0,
//                    ggml_repeat(ctx0, model.ln_f_g, inpL),
//                    inpL),
//                ggml_repeat(ctx0, model.ln_f_b, inpL));
//    }
//
//    // inpL = WTE * inpL
//    // [ 768, 50257] - model.lm_head
//    // [ 768, N]     - inpL
//    inpL = ggml_mul_mat(ctx0, model.lm_head, inpL);
//
//    // logits -> probs
//    //inpL = ggml_soft_max_inplace(ctx0, inpL);
//
//    // run the computation
//    ggml_build_forward_expand(gf, inpL);
//    ggml_graph_compute_with_ctx(ctx0, gf, n_threads);
//
//    //if (n_past%100 == 0) {
//    //    ggml_graph_print   (&gf);
//    //    ggml_graph_dump_dot(&gf, NULL, "gpt-2.dot");
//    //}
//
//    //embd_w.resize(n_vocab*N);
//    //memcpy(embd_w.data(), ggml_get_data(inpL), sizeof(float)*n_vocab*N);
//
//    // return result just for the last token
//    embd_w.resize(n_vocab);
//    memcpy(embd_w.data(), (float *) ggml_get_data(inpL) + (n_vocab*(N-1)), sizeof(float)*n_vocab);
//
//    if (mem_per_token == 0) {
//        mem_per_token = ggml_used_mem(ctx0)/N;
//    }
//    //printf("used_mem = %zu\n", ggml_used_mem(ctx0));
//
//    ggml_free(ctx0);
//
//    return true;
//}
//
//int main(int argc, char ** argv) {
//    ggml_time_init();
//
//    const int64_t t_main_start_us = ggml_time_us();
//
//    gpt_params params;
//    params.model = "ggml-model-gpt-2-774M.bin";
//
//    if (gpt_params_parse(argc, argv, params) == false) {
//        return 1;
//    }
//
//    if (params.seed < 0) {
//        params.seed = time(NULL);
//    }
//
//    printf("%s: seed = %d\n", __func__, params.seed);
//
//    std::mt19937 rng(params.seed);
//    if (params.prompt.empty()) {
//        params.prompt = gpt_random_prompt(rng);
//    }
//
//    int64_t t_load_us = 0;
//
//    gpt_vocab vocab;
//    gpt2_model model;
//
//    // load the model
//    {
//        const int64_t t_start_us = ggml_time_us();
//
//        if (!gpt2_model_load(params.model, model, vocab)) {
//            fprintf(stderr, "%s: failed to load model from '%s'\n", __func__, params.model.c_str());
//            return 1;
//        }
//
//        t_load_us = ggml_time_us() - t_start_us;
//
//        test_gpt_tokenizer(vocab, params.token_test);
//    }
//
//    while(true) {
//        int n_past = 0;
//
//        int64_t t_sample_us  = 0;
//        int64_t t_predict_us = 0;
//
//        std::vector<float> logits;
//
//        // tokenize the prompt
//        std::vector<gpt_vocab::id> embd_inp = ::gpt_tokenize(vocab, params.prompt);
//
//        params.n_predict = std::min(params.n_predict, model.hparams.n_ctx - (int) embd_inp.size());
//
//        printf("%s: prompt: '%s'\n", __func__, params.prompt.c_str());
//        printf("%s: number of tokens in prompt = %zu, first 8 tokens: ", __func__, embd_inp.size());
//        for (int i = 0; i < std::min(8, (int) embd_inp.size()); i++) {
//            printf("%d ", embd_inp[i]);
//        }
//        printf("\n\n");
//
//        // submit the input prompt token-by-token
//        // this reduces the memory usage during inference, at the cost of a bit of speed at the beginning
//        std::vector<gpt_vocab::id> embd;
//
//        // determine the required inference memory per token:
//        size_t mem_per_token = 0;
//        gpt2_eval(model, params.n_threads, 0, { 0, 1, 2, 3 }, logits, mem_per_token);
//
//        for (size_t i = embd.size(); i < embd_inp.size() + params.n_predict; i++) {
//            // predict
//            if (embd.size() > 0) {
//                const int64_t t_start_us = ggml_time_us();
//
//                if (!gpt2_eval(model, params.n_threads, n_past, embd, logits, mem_per_token)) {
//                    printf("Failed to predict\n");
//                    return 1;
//                }
//
//                t_predict_us += ggml_time_us() - t_start_us;
//            }
//
//            n_past += embd.size();
//            embd.clear();
//
//            if (i >= embd_inp.size()) {
//                // sample next token
//                const int   top_k = params.top_k;
//                const float top_p = params.top_p;
//                const float temp  = params.temp;
//
//                const int n_vocab = model.hparams.n_vocab;
//
//                gpt_vocab::id id = 0;
//
//                {
//                    const int64_t t_start_sample_us = ggml_time_us();
//
//                    id = gpt_sample_top_k_top_p(vocab, logits.data() + (logits.size() - n_vocab), top_k, top_p, temp, rng);
//
//                    t_sample_us += ggml_time_us() - t_start_sample_us;
//                }
//
//                // add it to the context
//                embd.push_back(id);
//            } else {
//                // if here, it means we are still processing the input prompt
//                for (size_t k = i; k < embd_inp.size(); k++) {
//                    embd.push_back(embd_inp[k]);
//                    if (int32_t(embd.size()) >= params.n_batch) {
//                        break;
//                    }
//                }
//                i += embd.size() - 1;
//            }
//
//            // display text
//            for (auto id : embd) {
//                printf("%s", vocab.id_to_token[id].c_str());
//            }
//            fflush(stdout);
//
//            // end of text token
//            if (embd.back() == 50256) {
//                // report timing
//                {
//                    const int64_t t_main_end_us = ggml_time_us();
//
//                    printf("\n\n");
//                    printf("%s: mem per token = %8zu bytes\n", __func__, mem_per_token);
//                    printf("%s:     load time = %8.2f ms\n", __func__, t_load_us/1000.0f);
//                    printf("%s:   sample time = %8.2f ms\n", __func__, t_sample_us/1000.0f);
//                    printf("%s:  predict time = %8.2f ms / %.2f ms per token\n", __func__, t_predict_us/1000.0f, t_predict_us/1000.0f/n_past);
//                    printf("%s:    total time = %8.2f ms\n", __func__, (t_main_end_us - t_main_start_us)/1000.0f);
//                }
//                break;
//            }
//        }
//    }
//
//    ggml_free(model.ctx_w);
//
//    return 0;
//}